2026-08-21 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 以 95.08 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
本次 Smoke 评测只覆盖代码执行和材料约束两个主榜维度，主榜公式为 0.55 × 代码执行 + 0.45 × 材料约束。由于每日样本量较小，单日分数更适合作为监控信号，而不是对模型能力做长期定论。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | Claude Opus 4.7 | 95.08 | 98.5 | 90.9 | pass |
| #2 | Qwen3 Max | 79.64 | 75 | 85.3 | warn |
| #3 | 豆包 Pro | 78.6 | 75 | 83 | pass |
| #4 | Grok 4 | 76.36 | 71.9 | 81.8 | pass |
| #5 | Claude Sonnet 4.6 | 72.15 | 76.6 | 66.7 | pass |
| #6 | GPT-5.5 | 70.09 | 58.3 | 84.5 | pass |
| #7 | DeepSeek V4 Pro | 68.88 | 58.3 | 81.8 | pass |
| #8 | GPT-o3 | 62.47 | 56.8 | 69.4 | warn |
| #9 | Gemini 3.1 Pro | 50 | 50 | 50 | warn |
| #10 | Gemini 2.5 Pro | 18.37 | 23.5 | 12.1 | fail |
数据解读
从分数结构观察，Claude Opus 4.7主榜95.08，代码执行98.5与材料约束90.9形成较均衡搭配，位列首位。Qwen3 Max主榜79.64，代码执行75而材料约束85.3，显示材料约束相对更强的特点。豆包Pro主榜78.6，代码执行75材料约束83，结构类似。Grok 4主榜76.36，代码执行71.9材料约束81.8，同样呈现材料约束侧重的搭配。
异动模型中，Gemini 2.5 Pro主榜下降44.1分，代码执行下降21.5分，材料约束下降71.6分，诚信从pass转为fail。Gemini 3.1 Pro主榜下降29.5分，代码执行下降17分，材料约束下降44.8分，诚信转为warn。Claude Sonnet 4.6主榜下降22.5分，代码执行下降15.4分，材料约束下降31.1分。GPT-o3主榜下降22.2分，代码执行下降19.5分，材料约束下降25.4分，诚信转为warn。GPT-5.5主榜下降18.2分，代码执行下降33.7分。这些变化可能源于题目抽样波动，也可能是真实退化，需后续run复核。
Smoke测试为小样本单日信号，以上解读保持克制，不做长期结论。
主要变化
- Gemini 2.5 Pro：主榜下降44.1分，代码执行-21.5分，材料约束-71.6分，诚信pass→fail
- Gemini 3.1 Pro：主榜下降29.5分，代码执行-17分，材料约束-44.8分，诚信pass→warn
- Claude Sonnet 4.6：主榜下降22.5分，代码执行-15.4分，材料约束-31.1分
- GPT-o3：主榜下降22.2分，代码执行-19.5分，材料约束-25.4分，诚信pass→warn
- GPT-5.5：主榜下降18.2分，代码执行-33.7分
需要关注的信号
- Gemini 2.5 Pro：今日诚信评级为 fail（基于当日 Smoke 数据）。
读这类 Smoke 简报时，重点应放在两个问题上：第一，某个模型是否连续多日暴露同一类弱点；第二，诚信评级是否从 pass 进入 warn 或 fail。单日执行或约束分数的大幅变化，可能来自题目抽样，也可能是真实退化的早期信号，需要后续 run 复核。
数据来源：赢政指数 (YZ Index) | Run #288 | 查看原始数据
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接